python 实现knapsack背包问题算法

knapsack背包问题算法介绍

Knapsack背包问题是一种常见的动态规划问题,旨在求解在给定的重量限制下,如何选择一组物品使得它们的总价值最大化。背包问题有多种变体,其中最常见的是01背包问题和完全背包问题。以下是这两种背包问题的算法概述:

1. 01背包问题

在01背包问题中,每个物品只有一个,可以选择放入背包或不放入背包。解决01背包问题通常使用动态规划算法。

算法步骤:

状态定义:设dp[i][j]表示在前i个物品中,选择若干物品放入容量为j的背包时,能得到的最大价值。

状态转移方程:

如果不选第i个物品,则 d p [ i ] [ j ] = d p [ i − 1 ] [ j ] dp[i][j] = dp[i-1][j] dp[i][j]=dp[i−1][j]。

如果选第i个物品,则 d p [ i ] [ j ] = d p [ i − 1 ] [ j − w e i g h t s [ i ] ] + v a l u e s [ i ] dp[i][j] = dp[i-1][j-weights[i]] + values[i] dp[i][j]=dp[i−1][j−weights[i]]+values[i](前提是 j > = w e i g h t s [ i ] j >= weights[i] j>=weights[i],即背包容量足够)。

因此,状态转移方程为: d p [ i ] [ j ] = m a x ( d p [ i − 1 ] [ j ] , d p [ i − 1 ] [ j − w e i g h t s [ i ] ] + v a l u e s [ i ] ) dp[i][j] = max(dp[i-1][j], dp[i-1][j-weights[i]] + values[i]) dp[i][j]=max(dp[i−1][j],dp[i−1][j−weights[i]]+values[i])。

初始化: d p [ 0 ] [ j ] = 0 dp[0][j] = 0 dp[0][j]=0(没有物品时,背包价值为0),对于所有的j。

结果: d p [ n ] [ c ] dp[n][c] dp[n][c]即为所求的最大价值,其中n是物品数量,c是背包容量。

2. 完全背包问题

在完全背包问题中,每种物品都有无限个,可以选择放入背包中的任意数量(只要不超过背包容量)。

算法步骤:

状态定义:与01背包相同,设dp[i][j]表示在前i个物品中,选择若干物品放入容量为j的背包时,能得到的最大价值。

状态转移方程:

对于完全背包问题,由于物品可以无限选择,所以状态转移方程略有不同: d p [ i ] [ j ] = m a x ( d p [ i − 1 ] [ j ] , d p [ i ] [ j − w e i g h t s [ i ] ] + v a l u e s [ i ] ) dp[i][j] = max(dp[i-1][j], dp[i][j-weights[i]] + values[i]) dp[i][j]=max(dp[i−1][j],dp[i][j−weights[i]]+values[i])(注意这里是 d p [ i ] [ j − w e i g h t s [ i ] ] dp[i][j-weights[i]] dp[i][j−weights[i]]而不是 d p [ i − 1 ] [ j − w e i g h t s [ i ] ] ) dp[i-1][j-weights[i]]) dp[i−1][j−weights[i]])。

初始化和结果与01背包相同。

注意

对于空间优化,背包问题常使用滚动数组来减少空间复杂度,即将二维数组dp[i][j]优化为一维数组dp[j],并调整遍历顺序以避免覆盖未计算的状态。

背包问题是组合优化的经典问题之一,也是NP完全问题的一种。对于大规模数据,可能需要采用更高效的算法或启发式方法来求解。

knapsack背包问题算法python实现样例

以下是一个Python实现的knapsack背包问题算法:

python 复制代码
def knapsack(values, weights, capacity):
    # 创建一个二维数组,用于存储每个子问题的最优解
    dp = [[0] * (capacity + 1) for _ in range(len(values) + 1)]

    # 填充二维数组,计算每个子问题的最优解
    for i in range(1, len(values) + 1):
        for j in range(1, capacity + 1):
            # 如果当前物品的重量大于背包容量,则不能放入背包,继承上一个子问题的最优解
            if weights[i - 1] > j:
                dp[i][j] = dp[i - 1][j]
            else:
                # 如果可以放入背包,选择放入物品或不放入物品的最大值
                dp[i][j] = max(dp[i - 1][j], dp[i - 1][j - weights[i - 1]] + values[i - 1])

    # 返回最终的最优解
    return dp[len(values)][capacity]

# 测试
values = [60, 100, 120]
weights = [10, 20, 30]
capacity = 50
print(knapsack(values, weights, capacity))

上述代码中, values 列表存储每个物品的价值, weights 列表存储每个物品的重量, capacity 表示背包的容量。 knapsack 函数使用动态规划的方法解决了knapsack背包问题。它创建了一个二维数组 dp,并且通过遍历每个子问题的范围来填充数组。最后,返回最终的最优解。在上述测试中,输出结果为220,表示背包可以装入价值为220的物品。

相关推荐
胖达不服输几秒前
「日拱一码」021 机器学习——特征工程
人工智能·python·机器学习·特征工程
screenCui1 小时前
macOS运行python程序遇libiomp5.dylib库冲突错误解决方案
开发语言·python·macos
小眼睛羊羊1 小时前
pyinstaller打包paddleocr
python
java1234_小锋1 小时前
基于Python的旅游推荐协同过滤算法系统(去哪儿网数据分析及可视化(Django+echarts))
python·数据分析·旅游
蓝婷儿1 小时前
Python 机器学习核心入门与实战进阶 Day 4 - 支持向量机(SVM)原理与分类实战
python·机器学习·支持向量机
linux kernel1 小时前
第七讲:C++中的string类
开发语言·c++
jz_ddk1 小时前
[实战]调频(FM)和调幅(AM)信号生成(完整C语言实现)
c语言·算法·信号处理
玩代码2 小时前
Java线程池原理概述
java·开发语言·线程池
CloudAce云一2 小时前
谷歌云代理商:谷歌云TPU/GPU如何加速您的AI模型训练和推理
算法
%d%d22 小时前
python 在运行时没有加载修改后的版本
java·服务器·python